基于方格网法的树冠体积测算方法

提出了一种基于方格网法测算树冠体积的方法。研究利用免棱镜全站仪获取树冠点云数据,建立树冠表面特征点的坐标方格网,根据方格网法计算土方量的原理来求算树冠体积,通过传统经典模型人工方法、三维激光量测法与本文算法,分别计算实验区域研究对象的体积,将结果进行对比分析,本研究提出的算法平均相对误差为4.13%,平均准确度为95.97%,且在置信度0.05下树冠体积的计算值与实测值之间的差异性为不显著,结果完全满足计算精度,其计算耗时只有传统人工量测法的1/3,成本为三维激光扫描的2%,降低了成本且提高了效率。     

基于立方体格网法的树冠体积计算与预估模型建立

以北京地区10种常见乔木为研究对象,通过三维激光扫描仪获取其点云数据,利用树冠表面三角网配合立方体格网法计算其树冠体积,与点云中提取所得的林木因子分析建立树冠体积和胸径、树高、平均冠幅、冠高的预估方程,并检验其精度。以银杏为研究目标进行了实验,结果表明:银杏的树冠体积与胸径、树高、平均冠幅、冠高均显著相关,通过分析选取了银杏树冠体积的三因子(胸径、平均冠幅、冠高)最优模型,并对模型进行了检验,检验结果表明,模型拟合效果较好,预估精度达到90.5%,可以使用该模型进行银杏的体积估算;同时对所选其他树种进行三因子模型拟合,模型检验结果表明,三因子模型均能够较好地对该树种的树冠体积进行估测。     

基于机载LiDAR数据的林木冠层投影面积与体积测量

机载激光雷达系统能够采集反映林木三维结构的点云,利用点云分类及林木冠层投影面积和体积计算方法获得林木信息。通过不规则三角网法和平面拟合过滤算法分别提取地面和建筑物点云,并将建筑物点云过滤得到林木点云,将树冠点云投影到x-y平面,采用角度法搜索边界,提取林木点云边缘,并在与其相对应的CCD影像上显示。利用任意多边形面积算法计算各个连通区域的面积,将它们求和得到冠层投影面积,通过台体的体积计算得到冠层体积。在研究区域随机选出10个外业样地进行传统的人工测量,实验结果表明,基于Li DAR的激光测量与人工测量测得的投影面积和体积的相关系数分别为0.957和0.944。本文提出的方法准确有效,为高精度定量估算林木冠层生物量提供了依据。     

基于三维激光点云数据的树冠体积估算研究

树冠体积是预估树木生物量的重要参数之一。为了实现对树木冠体体积无损高精度量测,随机抽取了6个树种、共计30棵树木的三维激光点云数据作为数据源,对树冠体积的求算方法进行研究。首先,对三维激光点云数据进行匹配、拼接、去噪及压缩等处理,提取冠体点云数据;其次,提取每一棵样木树冠的边缘特征点;最后,应用不规则三角网TIN的原理算法计算冠体体积。本文所提取的边缘特征点能够最大限度地维持树冠冠体的整体不变形,还能够继续去除部分冗余数据,缩短了不规则三角网TIN的构建时间,提高了计算效率;此外,树种包含有针叶树和阔叶树,在冠形上既有针叶树所特有的冠体体态特征,又有阔叶树的冠体体态特征,其研究结果具有一定的代表性。本文采用的方法与已有文献计算结果对比表明:均方根误差为0.832,平均绝对误差为0.49,平均相对误差为1.75%,可看出二者之间差异较小;同时在30个样木中随机抽取5个样木的人工测量结果与本研究相比较,取得的精度相对较好。采用本研究所得结果精度较高,能够满足生产需求。     

基于改进α-shape算法的三维点云树冠体积计算方法

为准确测量树冠体积,深入研究三维绿量和区域碳循环,针对现有点云数据测量树冠体积方法存在的高估与低估问题,提出了一种顾及点云边界密度、变阈值α-shape边界提取方法,并通过实验分析确定最优线性迭代步长和分层间距,实现了对树冠体积的精确计算。首先,对树冠点云数据进行等间距切片处理;然后,采用改进α-shape算法提取点云切片更为真实、自然的边界多边形;最后,计算切片面积和各层点云间的台体体积,并累加台体体积,获得树冠体积。实验表明：树冠体积计算的准确性与树冠内部枝叶结构和点云密度相关;无论对于高密度还是低密度树冠,采用改进α-shape算法的树冠体积计算结果不仅具有良好的稳定性,而且相较于已有其他方法更为准确,避免了Graham凸包算法的高估问题,与体元累加法相比也更利于树冠总体占用空间的计算。     

基于点云数据的测树因子自动提取方法

树冠的结构复杂、形态各异,测树因子的自动、准确、无损测量是森林调查中的一个重要研究项目。以三维激光扫描仪获取的三维点云数据为研究对象,基于计算几何学的寻找凸包算法,自动提取树冠的表面积、投影面积以及体积等测树因子。为验证算法的准确性,随机选取8个树种的120株待测立木进行试验,试验表明该方法测得的立木树高平均相对误差为2.33%,胸径平均相对误差为1.10%,冠幅平均相对误差为3.92%,自动解算的树冠表面积、树冠投影面积以及树冠体积相对于传统方法测得的参考值的平均相对误差分别为3.48%、6.01%和5.59%。因此以三维激光扫描仪获取点云数据,运用三维凸包算法,能够自动准确计算这些原本难以精确测量的因子,为应用三维激光扫描仪自动提取立木的测树因子提供了参考。     

物体表面采样数据近似最小包围盒快速求解

提出一种改进的模型表面点云的近似最小包围盒求解方法,该方法首先构建模型表面采样教据的动态空间索引结构,依据点云特征型面的曲率在保持型面特征的基础上对原始数据进行精简,采用均值漂移算法得到新的模式点集进行二次精简,计算精简后数据的凸包,利用O'Rourke提出的凸多面体的最小包围盒求解算法获得凸包的最小包围盒并确定局部坐标系,利用局部坐标系求解原始点云数据的近似最小包围盒,可在满足最小包围盒体积精度的同时提高算法的运行效率,能有效处理各种复杂型面的点云数据的最小包围盒快速求解问题.     

田间茶树冠层三维信息获取及其高度和轮廓表达方法

茶树的冠层信息是茶树田间管理的重要内容,也是茶叶机械化作业机具设计的重要依据。针对传统的作物冠层信息获取方法费时费力、主观性强且易造成损伤等问题,提出了一种茶树冠层高度和轮廓的获取与估计方法。首先,通过3D LiDAR从多个站点采集茶园的点云数据,对原始点云进行姿态矫正、ROI划分、配准、降噪以及高程归一化预处理,得到高程归一化的茶树点云。其次,通过反距离权重插值法、不规则三角网插值法在不同空间分辨率下生成茶树的冠层高度模型（Canopy height model, CHM）,其中,空间分辨率0.05m下不规则三角网插值生成的茶树CHM具有较好的插值精度,模型产生的凹坑也相对较少。最后,分别以90~100间的21个百分位数提取CHM的栅格值作为茶树冠层高度与实测值比较,结果表明,第98.5百分位数时估计值最为准确,与真值间的相关系数为0.88,平均绝对误差为3.17cm,均方根误差为4.16cm。此外,在高程归一化的茶树点云中提取20处冠层断面点云,分别采用椭圆模型、高斯模型和二次多项式模型拟合了冠层轮廓点云,其中,二次多项式模型能更好地反映茶树冠层轮廓特征,点云与拟合曲线间平均最小距离的均值为2.60cm,方差为0.21cm2。研究可为茶园现代化管理和茶叶机械化作业机具的设计提供理论支持。     

地基激光雷达提取单木冠层结构因子研究

在传统森林计测中,由于树木冠层的形态各异、结构复杂,往往难以精确获取结构因子。本文以地基激光雷达为工具,通过对单木扫描获取点云数据,基于球极平面投影和Lambert方位角等面积投影法计算冠层孔隙度,运用不规则面投影法和体元法提取树冠的体积和表面积,并对结果进行了对比分析。选取北京林业大学校园内6株立木为研究对象,结果表明,对于冠层孔隙度,球极平面投影的结果均小于Lambert方位角等面积投影,平均误差为0.03;对于体积和表面积,运用不规则面投影法和体元法得到树冠体积相对误差为5.32%~12.43%,平均相对误差为9.29%,提取的树冠表面积的相对误差为1.40%~5.21%,平均相对误差为3.33%。2种方法得到的结果差别不是很显著。因此利用地基激光雷达获取点云数据,通过对单木一次扫描提取冠层孔隙度、树冠体积和表面积,为计算树木的三维绿量、生物量、光合作用能力等提供了更可靠的数据支持。     

基于机器视觉的果树树冠体积测量方法研究

针对人工测量精度低、费时费力,而基于三维激光扫描技术、超声波技术等自动测量方法成本高、操作复杂的不足,提出了基于机器视觉的果树树冠体积测量方法,搭建了可移植性果树树冠体积自动测量平台。基于机器视觉实现待测树冠图像获取,通过图像处理算法获得树冠图像面积特征,并采用最小二乘法和五点参数标定法获得普适性树冠面积与体积相关关系模型,从而得到树冠体积,通过对梨树以及桂花树样本的试验,可以发现预测树冠体积平均误差分别为13.73%和10.18%。对于不具备系列样本无法构建模型的树冠,采用单点测量法,根据树冠轮廓拟合椭球结构体,然后根据体积求算补偿公式,完成体积测量,测量误差在10%左右。表明树冠形态特征的图像提取算法可行有效,通过面积以及轮廓特征量均能很好地表达树冠体积特征。